PPR-2603.29163
Paper
SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving |
| authors | Wenchao Sun, Xue-Wu Lin, Keyu Chen, Zi-Hui Pei, Xiang Li, Yining Shi |
| venue | arXiv:2603.29163 |
| arxiv | 2603.29163 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2603.29163v1 |
| source-hash | sha256:7d03b8f3b0653721eeb8144f286f79d5e19942ed99672d801c950876ec0ba2e2 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DA-WAM（PPR-2608.19085）与 DiffusionDriveV2（PPR-2512.07745）作为强对照直接引用（v1/v2 两表均出现）。 |
定位
Sun 等（2026）提出 SparseDriveV2。问题是一个范式之争：端到端多模规划既有做法分两类——对大规模静态轨迹词表打分，或对少量动态生成的候选打分。静态词表常被批评为动作空间粗离散化，动态候选则更精细、在既有基准上经验表现更强。论文追问：动态生成是否根本必要，还是静态词表在足够稠密时已能取得相当表现？作者先对代表性打分法 Hydra-MDP（PPR-2406.06978）做系统缩放研究，观察到随轨迹锚变稠密性能持续提升、在算力约束到达前未见饱和；据此把静态词表推得更稠密并简化其他组件。
实验结果（摘要）
- 论文报告 NAVSIM v1 92.0 PDMS（口径见 CPT-017；DA-WAM 对照表口径）。
- 主张“打分即全部”（scoring is all you need）的稠密静态词表路线。
与本库的关系
- 准入身份：A2-direct-edge（被 DA-WAM、DiffusionDriveV2 直接引用）。
- 谱系定位：与 GTRS（PPR-2506.06664）“动态候选 vs 静态词表”的结论方向相反——GTRS 主张两者结合，SparseDriveV2 主张稠密静态词表已足够。该对立是库内可建的 CFL 候选（待 P5 reconciliation 处理，本卡不预判）。上游为 Hydra-MDP 与 SparseDrive（PPR-2405.19620）。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（15）
- PPR-2402.13243 VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning
- PPR-2405.19620 SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation
- PPR-2406.06978 Hydra-MDP: End-to-end Multimodal Planning with Multi-target Hydra-Distillation
- PPR-2503.05689 GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving
- PPR-2503.12820 Hydra-MDP++: Advancing End-to-End Driving via Expert-Guided Hydra-Distillation
- PPR-2505.09315 TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving
- PPR-2506.06659 DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning
- PPR-2506.06664 Generalized Trajectory Scoring for End-to-end Multimodal Planning
- PPR-2605.15120 CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning
- FRM-2405.19620 SparseDrive 五层重建（骨架）：核心对象是把端到端驾驶重建为“对称稀疏感知 + 并行运动规划”——检测/跟踪/在线建图共用对称结构学得全稀疏场景表示，ego 与周围智能体以同一套多模轨迹头并行预测，再经分层规划选择（命令筛子集 + 碰撞感知重打分把碰撞轨迹分数置 0）输出安全轨迹；公理层含『模块化系统的信息损失与误差累积』『昂贵 BEV 特征与直白设计是效率瓶颈』『运动预测与规划高度相似』。
- FRM-2506.06664 GTRS 五层重建（骨架）：核心对象是统一粗/细粒度轨迹评估的三支柱框架——基于 Diffusion Policy 的动态候选生成器、用超稠密词表（16384）+ 词表 dropout 训练并在较小子集（8192）推理的泛化打分器、以及传感器扰动与仅训练期精化（top-k + EMA 教师软监督、目标裁剪）的增广打分器；公理层含『静态词表粗离散、动态候选覆盖窄』与『超稠密训练/小子集推理可诱导泛化』。
- FRM-2510.08562 ResAD 五层重建（骨架）：核心对象是把轨迹预测任务重构为“相对确定性惯性参考的残差预测”——用恒速模型给出物理先验基线，令模型容量集中在交通规则、障碍等情境驱动的偏离上，并以逐点残差归一化（PRNorm）抑制远距不确定 waypoint 的大幅误差主导学习信号；多模性则通过对初始速度施加零均值高斯扰动、经恒速模型传播出 K 条惯性参考簇来获得（同时增强对 GPS/IMU 噪声的鲁棒性）。
- FRM-2603.29163 SparseDriveV2 五层重建（骨架）：核心对象是把静态轨迹词表推到超稠密——先把轨迹分解为几何路径与速度剖面两组因子、以组合覆盖动作空间（词表比先前方法稠密 32×），再用粗粒度因子化打分筛出 top-K 路径与 top-K 速度、组合后只对小子集做细粒度打分；其经验前提是对 Hydra-MDP 的 scaling 研究显示锚点越密性能越好、在算力约束前不饱和；作者据此主张动态生成并非必要。
- CPT-017 PDM Score (PDMS)
- IDX-001 NAVSIM 规划线